[{"data":1,"prerenderedAt":192},["ShallowReactive",2],{"page-/post/nezus/2026/06/23-ai":3,"surrounding-page":183},{"id":4,"title":5,"author":6,"body":7,"date":172,"description":21,"extension":173,"group":174,"lastmod":175,"meta":176,"navigation":177,"path":178,"rawbody":179,"seo":180,"showTitle":175,"sort":175,"stem":181,"tags":175,"versions":175,"__hash__":182},"content/post/nezus/2026/06/23-ai.md","贝佐斯押注23亿美元，让AI用打游戏的方式学会控制机器人","storytelling",{"type":8,"value":9,"toc":160},"minimark",[10,15,18,22,25,33,36,39,42,45,52,55,58,65,68,73,76,80,83,86,93,96,99,103,109,112,115,121,124,127,134,139,142,145,148,151,154],[11,12,14],"h2",{"id":13},"贝佐斯押注-23-亿美元让-ai-用打游戏的方式学会控制机器人","贝佐斯押注 23 亿美元，让 AI 用打游戏的方式学会控制机器人",[11,16,17],{"id":17},"深夜实验室的秘密",[19,20,21],"p",{},"凌晨三点，旧金山一间不起眼的办公室里，屏幕蓝光映在几十张年轻的面孔上。",[19,23,24],{},"他们在玩《我的世界》《星际争霸》《侠盗猎车手》。",[19,26,27,28,32],{},"不是娱乐，是工作。",[29,30,31],"strong",{},"23 亿美元","，就这么砸进了一场看似荒诞的实验。",[11,34,35],{"id":35},"一个疯狂的想法",[19,37,38],{},"贝佐斯在 2024 年的一次闭门会议上说了一句话：\"如果 AI 能在游戏里学会打仗，为什么不能学会做饭？\"",[19,40,41],{},"全场安静。",[19,43,44],{},"传统机器人训练需要真实的物理环境，成本高得离谱。一个机械臂要学会抓取杯子，可能要重复几万次真实动作，每次都会磨损硬件、浪费时间。",[19,46,47,48,51],{},"但游戏不一样。",[29,49,50],{},"游戏是完美的模拟器","，可以无限次重来，数据干净、标注精确、成本几乎为零。",[19,53,54],{},"贝佐斯决定赌一把。",[11,56,57],{"id":57},"从游戏到现实的跨越",[19,59,60,61,64],{},"项目代号\"Project GameMind\"。团队从数千款游戏中收集了超过",[29,62,63],{},"100 亿小时","的玩家操作数据。",[19,66,67],{},"这些数据不是用来让 AI\"通关\"的。他们要的是：当一个玩家在《侠盗猎车手》里开车、开门、翻越障碍时，那些细微的决策链条——什么时候加速、什么时候转向、什么时候停下。",[19,69,70],{},[29,71,72],{},"这些决策模式，和控制机器人的底层逻辑惊人相似。",[19,74,75],{},"想象一下：你玩游戏时避开一辆车，这个动作分解开来，是感知（看到车）、判断（距离多近）、执行（转向）、反馈（成功避开）。这和控制机器人避开障碍物的流程一模一样。",[11,77,79],{"id":78},"第一次测试灾难现场","第一次测试：灾难现场",[19,81,82],{},"2025 年 3 月，团队把训练好的 AI 模型装进了一台机械臂。",[19,84,85],{},"任务很简单：把桌上的杯子移到另一个位置。",[19,87,88,89,92],{},"机械臂动了。它准确抓起了杯子，然后",[29,90,91],{},"直接把杯子捏碎了","。",[19,94,95],{},"现场一片哗然。工程师们意识到，游戏里的物理引擎和真实世界有微妙差异——游戏不会告诉你玻璃杯的\"手感\"，不会模拟材料的脆性。",[19,97,98],{},"项目陷入停滞。外界开始嘲笑：\"贝佐斯的 23 亿美元，就买了个会捏碎杯子的玩具？\"",[11,100,102],{"id":101},"转折点引入触觉模拟","转折点：引入触觉模拟",[19,104,105,106,92],{},"团队没有放弃。他们做了一件关键的事：在训练数据里加入",[29,107,108],{},"触觉反馈层",[19,110,111],{},"他们让玩家戴上触觉手套玩游戏，记录每一次\"触碰\"的力度和质感。当 AI 在《我的世界》里\"拿起\"一个方块时，系统会模拟出虚拟的\"重量感\"和\"材质感\"。",[19,113,114],{},"三个月后，机械臂再次测试。",[19,116,117,118],{},"这一次，它轻轻拿起玻璃杯，稳稳地放在目标位置。",[29,119,120],{},"完美。",[11,122,123],{"id":123},"真正的野心",[19,125,126],{},"这不仅仅是让机器人学会端茶倒水。",[19,128,129,130,133],{},"贝佐斯的真实目标是",[29,131,132],{},"通用机器人控制框架","。如果 AI 能通过游戏学会控制各种形态的机器人——无论是双足、四足还是轮式——那亚马逊就能快速部署机器人到仓库、物流、甚至家庭场景。",[19,135,136],{},[29,137,138],{},"23 亿美元买的不是一项技术，是一个平台。",[19,140,141],{},"目前， Project GameMind 已经和三家机器人厂商签约，计划 2026 年底前推出商用版本。",[11,143,144],{"id":144},"结语",[19,146,147],{},"从捏碎杯子到稳稳放置，这个转折只用了三个月。",[19,149,150],{},"但背后的逻辑更值得思考：当虚拟世界的经验可以迁移到现实，当游戏数据能训练出真正的智能，我们对\"学习\"的定义，可能永远改变了。",[19,152,153],{},"贝佐斯赌的不是机器人，是 AI 认知世界的新方式。",[19,155,156,159],{},[29,157,158],{},"封面高亮关键词",": 贝佐斯, 23 亿美元, AI 游戏训练, 机器人控制, Project GameMind",{"title":161,"searchDepth":162,"depth":162,"links":163},"",2,[164,165,166,167,168,169,170,171],{"id":13,"depth":162,"text":14},{"id":17,"depth":162,"text":17},{"id":35,"depth":162,"text":35},{"id":57,"depth":162,"text":57},{"id":78,"depth":162,"text":79},{"id":101,"depth":162,"text":102},{"id":123,"depth":162,"text":123},{"id":144,"depth":162,"text":144},"2026-06-26T00:00:00.000Z","md","#202606AI资讯",null,{},true,"/post/nezus/2026/06/23-ai","---\ntitle: \"贝佐斯押注23亿美元，让AI用打游戏的方式学会控制机器人\"\ndate: 2026-06-26\ngroup: \"#202606AI资讯\"\ndescription: \"凌晨三点，旧金山一间不起眼的办公室里，屏幕蓝光映在几十张年轻的面孔上。\"\nauthor: storytelling\n---\n\n\n## 贝佐斯押注 23 亿美元，让 AI 用打游戏的方式学会控制机器人\n\n## 深夜实验室的秘密\n\n凌晨三点，旧金山一间不起眼的办公室里，屏幕蓝光映在几十张年轻的面孔上。\n\n他们在玩《我的世界》《星际争霸》《侠盗猎车手》。\n\n不是娱乐，是工作。**23 亿美元**，就这么砸进了一场看似荒诞的实验。\n\n## 一个疯狂的想法\n\n贝佐斯在 2024 年的一次闭门会议上说了一句话：\"如果 AI 能在游戏里学会打仗，为什么不能学会做饭？\"\n\n全场安静。\n\n传统机器人训练需要真实的物理环境，成本高得离谱。一个机械臂要学会抓取杯子，可能要重复几万次真实动作，每次都会磨损硬件、浪费时间。\n\n但游戏不一样。**游戏是完美的模拟器**，可以无限次重来，数据干净、标注精确、成本几乎为零。\n\n贝佐斯决定赌一把。\n\n## 从游戏到现实的跨越\n\n项目代号\"Project GameMind\"。团队从数千款游戏中收集了超过**100 亿小时**的玩家操作数据。\n\n这些数据不是用来让 AI\"通关\"的。他们要的是：当一个玩家在《侠盗猎车手》里开车、开门、翻越障碍时，那些细微的决策链条——什么时候加速、什么时候转向、什么时候停下。\n\n**这些决策模式，和控制机器人的底层逻辑惊人相似。**\n\n想象一下：你玩游戏时避开一辆车，这个动作分解开来，是感知（看到车）、判断（距离多近）、执行（转向）、反馈（成功避开）。这和控制机器人避开障碍物的流程一模一样。\n\n## 第一次测试：灾难现场\n\n2025 年 3 月，团队把训练好的 AI 模型装进了一台机械臂。\n\n任务很简单：把桌上的杯子移到另一个位置。\n\n机械臂动了。它准确抓起了杯子，然后**直接把杯子捏碎了**。\n\n现场一片哗然。工程师们意识到，游戏里的物理引擎和真实世界有微妙差异——游戏不会告诉你玻璃杯的\"手感\"，不会模拟材料的脆性。\n\n项目陷入停滞。外界开始嘲笑：\"贝佐斯的 23 亿美元，就买了个会捏碎杯子的玩具？\"\n\n## 转折点：引入触觉模拟\n\n团队没有放弃。他们做了一件关键的事：在训练数据里加入**触觉反馈层**。\n\n他们让玩家戴上触觉手套玩游戏，记录每一次\"触碰\"的力度和质感。当 AI 在《我的世界》里\"拿起\"一个方块时，系统会模拟出虚拟的\"重量感\"和\"材质感\"。\n\n三个月后，机械臂再次测试。\n\n这一次，它轻轻拿起玻璃杯，稳稳地放在目标位置。**完美。**\n\n## 真正的野心\n\n这不仅仅是让机器人学会端茶倒水。\n\n贝佐斯的真实目标是**通用机器人控制框架**。如果 AI 能通过游戏学会控制各种形态的机器人——无论是双足、四足还是轮式——那亚马逊就能快速部署机器人到仓库、物流、甚至家庭场景。\n\n**23 亿美元买的不是一项技术，是一个平台。**\n\n目前， Project GameMind 已经和三家机器人厂商签约，计划 2026 年底前推出商用版本。\n\n## 结语\n\n从捏碎杯子到稳稳放置，这个转折只用了三个月。\n\n但背后的逻辑更值得思考：当虚拟世界的经验可以迁移到现实，当游戏数据能训练出真正的智能，我们对\"学习\"的定义，可能永远改变了。\n\n贝佐斯赌的不是机器人，是 AI 认知世界的新方式。\n\n**封面高亮关键词**: 贝佐斯, 23 亿美元, AI 游戏训练, 机器人控制, Project GameMind",{"title":5,"description":21},"post/nezus/2026/06/23-ai","dFAGSSFHUGy_nZcKIjpkuczdu5BYX6I065tY5NaMLN0",[184,188],{"title":185,"path":186,"stem":187},"Hermes Desktop 安装及界面功能速览","/post/nezus/2026/06/hermes-desktop","post/nezus/2026/06/hermes-desktop",{"title":189,"path":190,"stem":191},"在Vibe Coding的过程中，不要忘记自己还有产品经理的身份","/post/posts/vibe-coding","post/posts/vibe-coding",1784715236954]